Hace unos días
, Vedomosti dijo que Moscú pronto comenzaría a probar un tranvía no tripulado. Ahora lo están probando en el depósito, pero en un par de meses planean lanzarlo en la ruta No. 17, hasta ahora sin pasajeros y con un conductor en la cabina.
En la siguiente etapa, el conductor también continuará controlando el tranvía. El sistema solo registrará la activación, pero podrá afectar el control del tranvía solo en dos casos: disminuirá la velocidad si ve un objeto extraño en las vías y disminuirá la velocidad si el conductor acelera demasiado en condiciones climáticas adversas.
Lo más probable es que el tranvía quede completamente sin tripulación solo en unos pocos años. Como escribe Vedomosti, para 2021-2022.
El desarrollo se basa en el modelo Vityaz M, producido por PC Transport Systems, y la empresa Cognitive Technologies se dedica al piloto automático. La jefa de su departamento para el desarrollo de vehículos no tripulados, Yuri Minkin, nos contó más sobre el proyecto.
Sensores
El sistema utilizará 20 cámaras y 10 radares, si hablamos de la configuración de un tranvía totalmente no tripulado. Actualmente estamos trabajando en una solución para que los sensores cubran los 360 grados alrededor del tranvía. Esta es nuestra estimación de cantidad actual.
La mayoría se instalará en frente. Hay hasta cinco cámaras en diferentes configuraciones. Tres cámaras están en la parte trasera, y el resto se distribuye por todo el automóvil. Los sensores separados también controlan el perímetro de la puerta. Las cámaras u otros sensores funcionarán en la puerta; todavía estamos trabajando en este problema. Deben ver cuando no hay nadie en la puerta y pueden cerrarse.
Las cámaras y los radares por separado son buenos instrumentos, pero no proporcionan información completa cuando trabajan de forma aislada, especialmente en condiciones difíciles. En condiciones ideales, las cámaras son suficientes para todo. Pero desafortunadamente no vivimos en un mundo ideal. Por varias razones, las cámaras pueden dejar de funcionar normalmente.
Por ejemplo, el sol brilla, o un nivel muy bajo de iluminación, fuertes nevadas, fuertes lluvias. Es decir, aquellas condiciones en las que ni la persona ni las cámaras ven nada. Sería extraño lanzar un sistema que no irá a ninguna parte en la densa niebla. No es necesario e incluso peligroso, porque la niebla puede pasar desapercibida. Y el radar no es tan sensible a las condiciones climáticas, pero al mismo tiempo no puede ver la imagen completa. Por ejemplo, no reconoce una señal de tráfico.
Para resolver todo esto, se utiliza la tecnología de fusión de datos, cuando procesamos simultáneamente datos de cámaras y radares, y tomamos decisiones basadas en dos sensores diferentes. Por lo tanto, se obtiene una solución para todo clima, que al mismo tiempo es razonablemente aceptable.
La precisión de detección en condiciones difíciles, por supuesto, disminuye. Para garantizar la seguridad del tráfico y garantizar un nivel aceptable de calidad, se deben tomar medidas de precaución: reducción de velocidad, etc. Esto reduce la distancia de frenado y aumenta el tiempo para evaluar la situación actual.
Los radares mirarán hacia adelante y hacia atrás. Tienen un gran radio de acción: hasta doscientos metros, tal vez incluso un poco más. Los radares estarán en las esquinas para que podamos controlar todos los puntos ciegos. Y algunos más a lo largo del perímetro del tranvía.
Los radares son nuestro desarrollo. Tomamos las cámaras listas. Pero qué se planteará exactamente, en qué cantidad y en qué etapas es un problema conjunto con el productor de tranvías. Por lo tanto, será mejor que hablemos de todo en la etapa de la decisión final de diseño.
Software
En primer lugar, es la recepción y el procesamiento sincrónico de datos de diferentes sensores: cámaras, radares, posicionamiento de alta precisión, sensores inerciales. Lo principal es que los datos se reciben sincrónicamente, de modo que el sistema comprende que toda la información se refiere a un período de tiempo.
También recibimos información de sistemas de tranvías aéreos. Por ejemplo, la posición de los controles, la velocidad del motor, el estado de las puertas y varios nodos del tranvía.
También hay cartografía de alta precisión: la información que recopilamos por adelantado y se actualiza constantemente. Con él, siempre podemos restaurar la ubicación de acuerdo con la información de las cámaras y radares, incluso si perdimos la señal del GPS. Sabemos dónde se encuentran todos los objetos de interés en la ruta, paradas, semáforos y más.
Por ejemplo, para no desperdiciar recursos informáticos en la detección de señales de tráfico a lo largo de toda la ruta, nosotros, sabiendo dónde están, activamos el componente correspondiente si es necesario. Esto le permite optimizar la carga informática.
El siguiente nivel en software es el procesamiento. Restauramos la escena del camino que nos rodea, organizamos objetos, analizamos la escena del camino y tomamos decisiones sobre cómo influir en los controles.
Si estamos hablando de un sistema de advertencia del conductor, entonces evaluamos si es hora de que el sistema intervenga o no. Si se trata de piloto automático, entonces evalúa constantemente la escena del camino.
Visión artificial y entrenamiento de redes neuronales.
Con la ayuda de la visión artificial, detectamos una variedad de objetos: peatones, automóviles, señales de tráfico, la posición de las flechas y más. Todos los muchos objetos que el controlador monitorea también son reconocidos por el sistema.
Realizamos el reconocimiento basado en redes neuronales: este es el enfoque más probado. Pero esta tarea requiere una computadora relativamente poderosa para proporcionar una calidad aceptable a una velocidad aceptable. En el automóvil, es posible colocar dicho equipo, conectarlo a la alimentación. Además, el costo del equipo es aceptable para este tipo de transporte.
Hemos estado recopilando datos sobre tranvías existentes durante mucho tiempo. El proyecto dura más de seis meses, justo ahora se ha anunciado. Recolectamos en diferentes momentos del día, en diferentes condiciones de iluminación. Estamos expandiendo constantemente los conjuntos de datos: esto es lo más valioso. Los algoritmos se desarrollan y mejoran, y los conjuntos de datos se pueden usar para pruebas y capacitación durante muchos años. Esta es la base de cualquier aprendizaje automático.
Para parte de los detectores, por ejemplo, reconocimiento de automóviles y peatones, utilizamos los datos que recopilamos antes, antes del proyecto con un tranvía
Seguridad, sistema de respaldo, ataques
Debido a la alta tecnología de los vagones de tranvía, podemos controlar completamente el tranvía utilizando la unidad de interfaz adecuada. Podemos influir en todos los órganos de gobierno y recibir información sobre el estado actual de todos los sistemas de tranvías.
Hay un sistema de respaldo. Todos los nodos están duplicados con un margen. Nuestro sistema siempre envía una señal a una unidad autónoma de que está funcionando. Tan pronto como esta señal desaparece, la unidad simplemente detiene el automóvil.
Toda la información está contenida localmente. No conducimos el tranvía afuera. En primer lugar, de lo contrario no sería seguro. En segundo lugar, los canales de comunicación existentes no ofrecen garantías suficientes. Todos entendemos que si algo le sucede al canal de comunicación durante el movimiento, la situación generalmente será impredecible. Por lo tanto, todo se procesa exclusivamente a bordo.
Este sistema no tiene entrada desde el exterior. Está completamente cerrado a los ataques. Solo si ataca el tranvía en sí, abra el panel, conéctese a los cables, pero esta ya es una historia fantástica. Hackear a través de Internet y administrar el tranvía es imposible. Todo el sistema está cerrado y completamente aislado.
En el caso de los ataques que utilizan imágenes enganchadas, el radar nos ayudará. Por ejemplo, la visión será engañada: verá un automóvil y un freno inexistentes. Pero en el radar veremos que no hay nada más adelante. Sí, quedará claro: hay algo mal, el tranvía se ralentizará o dará una señal.
Pero, de nuevo, recopilamos todos los métodos que le permiten engañar su vista y desarrollar métodos para evitarlos, para que el sistema de visión no responda a tales imágenes. Los engaños son específicos de cada implementación; no son universales. Supongamos que Tesla tiene un cierto sistema, y alguien tiene claro cómo engañarlo. Y lo más probable, lo que engaña a Tesla no nos engañará.
Puede lidiar con esto mediante un monitoreo constante. A los malos se les ocurren nuevas formas de robar, a los buenos se les ocurre cómo protegerse de esto.
Diferencias entre un tranvía y vehículos no tripulados ordinarios
Por un lado, la responsabilidad está creciendo, porque es el transporte de pasajeros. Asegúrate siempre un viaje suave. Usted comprende que hay docenas de personas a bordo de las cuales usted es responsable.
Por otro lado, el tranvía pasa por rieles, casi siempre tiene una ventaja en las normas de tránsito. No es necesario resolver el problema del rodaje, su trayectoria, todos los puntos clave de interés, todos los semáforos, las paradas siempre se conocen a fondo. Esto simplifica enormemente la tarea.
Además, el tranvía es grande, menos problemas con la colocación del equipo, con su potencia. En un automóvil, la potencia del generador no siempre es suficiente para acomodar equipos que le permiten conducir de manera autónoma. Pero no hay problemas con el tranvía.
El tranvía con el que trabajamos es muy moderno. Todo está controlado electrónicamente, y ya hay muchos sistemas de seguridad incorporados. Por ejemplo, no puede moverse hasta que la puerta esté cerrada. Si las puertas se topan con algo al cerrarse, se abrirán, nunca pellizcarán a nadie. Por lo tanto, resultó una máquina base muy exitosa, en la que ya pusimos nuestros sistemas.
Es decir, desde el punto de vista de la implementación: más simple, pero más responsable.
Pero muchas cosas necesitan ser coordinadas. Primero, nos coordinamos con el fabricante del tranvía, luego vamos a Mosgortrans, y esto complica un poco el curso de las pruebas. Si podemos conducir un automóvil hasta el vertedero, entonces las pruebas pueden realizarse en un pequeño depósito, pero no irá mucho allí, o puede organizar especialmente las pruebas en condiciones urbanas y garantizar la seguridad. Por ejemplo, andar de noche.
Piloto automático y horario
Esto funcionará como funciona ahora. Cada tranvía tiene un horario que debe seguir. Si un automóvil se levanta en las vías del tranvía, el horario se moverá. Ya se está preparando teniendo en cuenta que puede haber obstáculos en el camino del movimiento. Hay mucha experiencia en la operación de tranvías; desde hace tiempo se sabe cómo, en promedio, un tranvía puede desviarse de su horario ideal. Colocamos estas desviaciones en la ruta del movimiento.
Naturalmente, algo más serio puede suceder. En el futuro, se proporcionará un sistema cuando sepamos sobre el movimiento de otros tranvías, y nos moveremos con esto en mente.
Sí, el conductor puede esperar un segundo más a la persona que corre hacia él, agita las manos y llega tarde, pero el automóvil no. Teóricamente, esto, por supuesto, puede establecerse, pero en la práctica esto no sucederá. Si esperamos un minuto, en un minuto alguien más vendrá corriendo. Este es un automóvil y funciona de acuerdo con reglas claras. Gracias a estas reglas fijas, es más seguro.
Lo que se necesita para sacar el proyecto de la etapa piloto
Necesitamos probar todo, incluso lo que ya está listo. En una serie de condiciones, todo funciona bien. Pero entendemos que la vida es rica en eventos, por lo que debemos intentar más, imitar diferentes escenarios en una ciudad, para ver si el sistema funciona o no.
Nuestros planes son lanzar varios tranvías que viajarán, recopilarán datos y verán cómo funciona el sistema. Es decir, el sistema no afectará los controles, sino que simplemente cancelará la suscripción de sus respuestas. Y controlaremos y compararemos la reacción del sistema con la reacción del conductor. En base a esto, analizaremos lo que está bien, lo que está mal. Tendremos toda la información de los sensores y veremos dónde falla.
Naturalmente, los algoritmos deben desarrollarse más. La visión ya está lo suficientemente cerca de los estándares de la industria, de lo que ya se puede permitir que funcione. Es necesario resolver escenarios y analizar los matices. Por ejemplo, para analizar cómo se mueven los peatones para que el sistema no funcione falso, pero al mismo tiempo se ralentiza cuando realmente se necesita.
Todos estos son matices de afinación y depuración que llevan mucho tiempo.